一种基于模型预测控制的人机共驾汽车的运动规划方法技术

本发明专利技术涉及一种基于模型预测控制的人机共驾汽车的运动规划方法，属于自动驾驶的运动规划技术领域，具体说是一种基于模型预测控制的适用于多车道场景的人机共驾汽车的运动规划方法。本发明专利技术的方法中构建基于模型预测控制的运动规划问题时，构建带有约束的优化问题，用来计算未来设定时间段内的轨迹，基于改进的MPCC方法，首先，代价函数考虑：跟踪推荐路径的代价、舒适度代价、推荐速度的代价、人类输入的代价；其次是线性约束，考虑输入的约束，汽车状态的约束；最后是非线性约束，包括：与左右边界的避碰约束、侧翻约束、与其他车的碰撞约束。与其他车的碰撞约束。与其他车的碰撞约束。

【技术实现步骤摘要】
一种基于模型预测控制的人机共驾汽车的运动规划方法


[0001]本专利技术涉及一种基于模型预测控制的人机共驾汽车的运动规划方法，属于自动驾驶的运动规划
，具体说是一种基于模型预测控制的适用于多车道场景的人机共驾汽车的运动规划方法。

技术介绍

[0002]自动驾驶是人工智能领域最为热门的研究方向之一，典型的自动驾驶技术按照层级可以分为：环境感知理解、决策与规划、底层控制，作为“大脑”的决策与规划层在整个自动驾驶技术中起到了决定性作用。决策与规划部分又可划分为：行为决策与运动规划，其中运动规划是最为基本、最为重要的模块，因此已经成为研究热点，其主要任务是：考虑汽车周围障碍物、汽车物理约束和交通规则，在全局导航路线的指引下，为智能车规划安全的行驶轨迹，即一连串带有速度和方向信息的离散航点。人机共驾汽车作为一种新型的智能车种类，相较于完全自动驾驶汽车，能够赋予人类更多的驾驶权限，将人类的决策融入自动驾驶系统，在提升驾驶员的驾驶体验的同时保证驾驶的安全性。
[0003]现有的自动驾驶汽车运动规划方法可以分为四类：输入空间离散化法、随机采样规划法、端到端的机器学习方法、最优化方法。本专利技术属于最优化方法，克服了第一类方法的安全性不足的问题，克服了第二类方法的轨迹连续性较差、最优性难以保证的问题，解决了第四类方法可解释性不足的问题。本专利技术将汽车的轨迹规划问题抽象为带有各种约束的优化问题，能够考虑各种真实的约束和性能指标，具备较高的安全性，能够用于人机共驾汽车的运动规划，同时能够自动选择最佳的车道来行驶。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于模型预测控制的人机共驾汽车的运动规划方法，考虑与周围的其他汽车或道路边界的避碰、自身汽车的性能限制等，为人机共驾汽车规划最佳的行驶轨迹，该方法适用于多车道场景并考虑部分交通规则。
[0005]本专利技术的一种基于模型预测控制的人机共驾汽车的运动规划方法，主要分为六个步骤：
[0006]步骤一：数据读取；
[0007]提取人机共驾汽车质心的位置，从该质心点出发沿着道路参考线向前方延伸设定值，比如100米，获取可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置，还获取人类驾驶员的输入的加速度、前轮转角以及周围其他车辆的位置、角度、速度信息；
[0008]步骤二：推荐路径拓扑网(晶格图)的构建；
[0009]从人机共驾汽车质心的位置出发，每隔设定距离对各条车道中心线采样并命名为端点，由此形成很多排端点；
[0010]使用光滑的三次多项式曲线有规律的连接排与排之间的端点，该曲线是曲率关于
弧长的三次多项式，曲线在端点处的角度和曲率与所在车道的中心线一致；
[0011]由此得到由多条三次多项式曲线以及多排端点组成的推荐路径拓扑网G；
[0012]步骤三：推荐路径的选择；
[0013]首先对各条曲线进行评估，在推荐路径拓扑网G中任取其中一条三次多项式曲线，对其进行均匀采样评估，采样每隔为0.5米，命名为评估点。曲线的代价考虑：曲率变化率的代价、曲率代价、变道代价、在不可行驶区域O内评估点的个数、与周围其他汽车碰撞的评估点个数(在其他车质心周围距离以内的评估点的个数)；
[0014]得到各条三次多项式曲线的代价之后，对拓扑网G使用A
*
算法或Dijkstra算法，计算从汽车质心位置到最后一排端点的最短路径，并将其作为“推荐路径”；
[0015]步骤四：推荐速度的选择；
[0016]综合考虑车辆当前速度、车道限速、停止标识等信息，按照一定的规则计算推荐速度；
[0017]步骤五：构建基于模型预测控制的运动规划问题；
[0018]构建带有约束的优化问题，用来计算未来一段时间内的轨迹，基于改进的MPCC(model predictive contouring control,模型预测轮廓控制)方法。首先，代价函数考虑：跟踪推荐路径的代价、舒适度代价、推荐速度的代价、人类输入的代价；
[0019]其次是线性约束，考虑输入的约束(包括加速度的上下限约束、前轮转角变化率的上下限约束)，汽车状态的约束(包括任务区域的上下限约束、速度的上下限约束、角度的上下限约束、前轮转角的上下限约束等)。
[0020]最后是非线性约束，包括：与左右边界的避碰约束、侧翻约束、与其他车的碰撞约束；
[0021]步骤六：问题求解；
[0022]使用现有的非线性优化求解器求解该问题，初始解设置为全0，即可求解出规划的轨迹，该轨迹包含位置信息、速度信息、角度信息，以及“自行车模型”下的前轮转角信息、加速度信息。当汽车按照规划的轨迹行驶一定的时间后(一般是到达第一个规划的轨迹航点)，重新执行步骤一到步骤六，不断滚动优化运动轨迹，从而实现自动驾驶。
[0023]有益效果
[0024](1)本专利技术能够考虑汽车各种真实的约束和性能指标，具备较高的安全性，能够用于人机共驾汽车的运动规划，同时能够自动选择最佳的车道来行驶，在多种驾驶场景中具有较高的适用性。
[0025](2)本专利技术的方法中周围环境信息包括可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置，还包括人类驾驶员的输入的加速度、前轮转角以及周围车辆的位置、角度、速度信息。
[0026](3)本专利技术的方法中获取可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置的信息时，向前方延伸80
‑
120米。
[0027](4)本专利技术的方法中从人机共驾汽车质心位置出发，每隔设定距离对各条车道中心线采样并命名为端点，由此形成很多排端点；使用光滑的三次多项式曲线有规律的连接排与排之间的端点，该曲线是曲率关于弧长的三次多项式，曲线在端点处的角度和曲率与所在车道的中心线一致；由此得到由多条三次多项式曲线以及多排端点组成的推荐路径拓
扑网G。
[0028](5)本专利技术的方法中对推荐路径拓扑网中的各条曲线进行评估时，在推荐路径拓扑网G中任取其中一条三次多项式曲线，对其进行均匀采样评估，采样每隔设定距离命名为评估点；各条曲线的代价考虑：曲率变化率的代价、曲率代价、变道代价、在不可行驶区域O内评估点的个数、与周围其他汽车碰撞的评估点个数，得到各条三次多项式曲线的代价之后，对拓扑网G使用A
*
算法或Dijkstra算法，计算从汽车质心位置到最后一排端点的最短路径，并将其作为“推荐路径”。
[0029](6)本专利技术的方法中构建基于模型预测控制的运动规划问题时，构建带有约束的优化问题，用来计算未来设定时间段内的轨迹，基于改进的MPCC方法，首先，代价函数考虑：跟踪推荐路径的代价、舒适度代价、推荐速度的代价、人类输入的代价；其次是线性约束，考虑输入的约束，汽车状态的约束；最后是非线性约束，包括：与左右边界的避碰约束、侧翻约束、与其他车的碰撞约束。
附图说明
[0030]图1为本专利技术的一种运动规划方法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于步骤包括：步骤一：从人机共驾汽车质心位置出发沿着道路参考线向前方延伸，获取周围环境信息；步骤二：构建推荐路径拓扑网；步骤三：对步骤二构建的推荐路径拓扑网中的各条曲线进行评估，得到各条曲线的代价，根据得到的各条曲线的代价选择推荐路径；步骤四：根据车辆当前速度、车道限速、停止标识信息，按照已知的规则计算推荐速度；步骤五：构建基于模型预测控制的运动规划问题；步骤六：对步骤五构建的运动规划问题求解，得到规划的轨迹。2.根据权利要求1所述的一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于：重新执行步骤一到步骤六，不断滚动优化运动轨迹，从而实现自动驾驶。3.根据权利要求1或2所述的一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于：所述的步骤一中，周围环境信息包括可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置，还包括人类驾驶员的输入的加速度、前轮转角以及周围车辆的位置、角度、速度信息。4.根据权利要求3所述的一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于：获取可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置的信息时，向前方延伸80
‑
120米。5.根据权利要求3所述的一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于：所述的步骤二中，构建推荐路径拓扑网的方法为：从人机共驾汽车质心位置出发，每隔设定距离对各条车道中心线采样并命名为端点，由此形成很多排端点；使用光滑的三次多项式曲线有规律的连接排与排之间的端点，该曲线是曲率关于弧长的三次多项式，曲线在端点处的角度和曲率与所在车道的中心线一致；由此得到由多条三次多项式曲线以及多排端点组成的推荐路径拓扑网G。6.根据权利要求5所述的一种基于模型预测控制的人机共驾汽车的运动规划方法，其特征在于：所述的步骤三中，对推荐路径拓扑网中的各条曲线进行评估时，在推荐路径拓扑网G中任取其中一条三次多项式曲线，对其进行均匀采样评估，采样每隔设定距离命名为评估点；各条曲线的代价考虑：曲率变化率的代价、曲率代价、变...

【专利技术属性】
技术研发人员：曾宪琳，成子君，方浩，窦丽华，杨庆凯，辛斌，陈杰，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：